清洗提示词需结合原始数据形态（如asr、爬虫、excel）明确噪声类型，绑定下游场景定义输出格式（如csv字段、分片长度），嵌入业务规则（如状态关键词整行删除）、领域术语映射及典型噪声模式识别。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
把ChatGPT数据清洗提示词嵌入具体使用场景，不是简单加一句“请按电商客服对话处理”，而是让模型清楚知道当前要清洗哪类原始数据、保留什么字段、剔除哪些噪声、输出格式是否要适配下游系统。
明确清洗目标与原始数据形态
先看手头的原始数据长什么样：是Excel里混着中英文的客服聊天记录？还是爬虫抓下来的带HTML标签的网页评论？或是ASR语音转写后满屏“呃”“啊”“那个…”的会议纪要？【不同源头的数据噪声类型完全不同，提示词必须对应识别】。比如ASR文本要重点删填充词和重复语，而爬虫数据首要任务是剥离script、style等非正文标签。
用于在用户想通过浏览器自动化与 Google Gemini 或 ChatGPT 交互时。触发短语包括“ask Gemini”“ask ChatGPT”“ask GPT”“让...”。
打开原始文件，随机抽5条样本，用手机拍下来或复制到便签里——这一步不能跳过，凭空写的提示词大概率跑偏。
绑定下游使用环节定义输出结构
方法一：对接数据库导入
若清洗后要直接INSERT进MySQL的customer_feedback表，提示词末尾必须声明：【输出严格为CSV格式，首行为字段名：id,timestamp,raw_text,cleaned_text,sentiment_label，无空行，不加引号，时间戳统一为YYYY-MM-DD HH:MM:SS】。漏掉“不加引号”会导致日期字段被当成字符串导入。
方法二：喂给微调模型训练
此时需在提示词中指定清洗颗粒度：“每条样本切分为≤128字符的片段，截断处优先选句号/问号后，禁止在中文词语中间硬切”。模型tokenizer对半角符号敏感，硬切会破坏字词边界。
注入真实业务规则
第一步：列出3条人工审核时必然删除的样本特征
例如电商场景下，“订单号：ABC123456789”后面紧跟着“已退款，请忽略此单”——这类带明确状态标记的整行必须剔除，不能只删“已退款”几个字。
第二步：把规则转成可执行指令
在提示词中写：“遇到含‘已关闭’‘已作废’‘测试勿理’等状态关键词的整行，整行删除；但含‘未发货’‘缺货’的行保留，因属有效投诉。”
第三步：补一条反例约束
“注意：‘缺货’出现在用户抱怨句中（如‘你们家一直缺货’）才保留；若在客服回复里（如‘该商品目前缺货’），则整行删除——因这是客服陈述，非用户原始反馈。”
加入领域术语校准层
方法一：预置术语映射表
在提示词开头插入：“以下缩写请自动展开：SKU→库存量单位，GMV→商品交易总额，DAU→日活跃用户数”。避免模型把“DAU”当成乱码过滤掉。
方法二：标注典型噪声模式
针对医疗问诊记录，追加：“识别并删除以下模式：①‘（医生打字中…）’ ②‘患者未回答’ ③连续3个以上相同标点如‘！！！’或‘。。。’”。这类模式在通用清洗模板里常被忽略。
